-
公开(公告)号：CN119495188A
公开(公告)日：2025-02-21
申请号：CN202411569651.2
申请日：2024-11-05
Applicant: 华南农业大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于神经网络的时空ARIMA交通预测方法，包括通过时间感知分解策略将原始交通数据分解成多个子集；将每个子集拆分成周期与时间段数据，组成训练数据集和测试数据集；构建时空ARIMA网络模型；并利用训练数据集训练时空ARIMA网络模型；利用训练好的时空ARIMA网络模型对测试数据集进行预测。本发明结合了时间感知分解策略和时空ARIMA，同时提取了时间与空间的特征信息，并且可以更好的捕捉到不同时间段下的时空依赖信息，从而提升了交通预测的效果；本发明考虑交通数据的时间属性，从而处理时变空间依赖性问题；根据数据的固有分布和过渡周期；与现有交通预测方法相比，本发明能够预测出精确的交通预测结果。
-
公开(公告)号：CN114821329A
公开(公告)日：2022-07-29
申请号：CN202210507199.1
申请日：2022-05-10
Applicant: 华南农业大学
Abstract: 本发明提供一种KNN优化下基于多尺度三角形表征的植物叶片识别方法，包括，输入RGB三通道的植物叶片图片，对其进行预处理；获得植物叶片的三角形轮廓点角度特征TVA、三角形叶子形状面积特征TUA、三角形纹理特征TGSSL、三角形边长积分特征TSLI；对每一张植物叶片特征使用上述特征的集合进行表示；根据正则化后的特征值进行比较。本发明具有很高的准确性，本发明的方法都有最高的准确性，当数据训练集和测试集分割比为9:1时，准确率为99.43％；本发明的方法具有更好的鲁棒性，对比算法IDSC的精度下降了50.5％，MARCH下降了10.9％，本发明的方法只下降了5.35％，具有更强的抗干扰能力。
-
公开(公告)号：CN111985370B
公开(公告)日：2022-04-08
申请号：CN202010793451.0
申请日：2020-08-10
Applicant: 华南农业大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，先输入农作物病虫害图片，预处理后经过卷积层进行特征提取，向前传播过程使用Inception思想结合残差连接的结构，将卷积层得到的特征图F作为注意力I_CBAM的输入，得到权值MC(F)和MS(F)；最后得到特征图F2，用softmax函数产生最终的预测概率。为了提高病虫害识别模型的准确率并及时对病虫害进行检测，本发明对混合注意力CBAM进行改进，通过通道注意力与空间注意力的并行连接结构，解决了串行连接通道注意力和空间注意力产生的干扰的问题，在使添加注意力后的病虫害细粒度识别模型准确率的提升更加稳定的同时，也保证了I_CBAM在不同模型直接的泛化性。
-
公开(公告)号：CN105979120A
公开(公告)日：2016-09-28
申请号：CN201610393336.8
申请日：2016-06-03
Applicant: 华南农业大学
IPC: H04N5/21
CPC classification number: H04N5/21
Abstract: 本发明公开了基于分布式计算的视频去雾系统及视频去雾方法，本发明系统包括部署在分布式计算架构上的输入节点、透射率估计模块、大气光照估计模块、无雾图像生成模块，输出节点，每个模块均有多台计算机以分布式架构的方式负责执行，本发明方法将输入的有雾视频将被分拆成帧流，透射率估计模块同时计算数帧的透射率，大气光照度估计模块计算出对应帧的大气光照度，无雾图像生成模块产生有雾帧所对应的无雾图像，并按照帧的正确序列顺序输出。本发明拥有更高的处理速度，具备实时处理能力。
-
公开(公告)号：CN117829249A
公开(公告)日：2024-04-05
申请号：CN202311578029.3
申请日：2023-11-23
Applicant: 华南农业大学
IPC: G06N3/092 , G06N3/045 , G06N3/0442
Abstract: 本发明提供一种基于状态价值保留的QMIX强化学习方法，以QMIX算法框架构建状态价值保留的QMIX算法框架；将智能体网络与环境做交互并将相应的数据存入经验缓存池中；采样batch批次的数据，将智能体网络输出的状态‑动作值函数、历史轨迹信息一起输入进状态价值保留混合网络中；使用训练好的智能体网络与任务环境做交互，达到去中心化执行的目的。本发明对QMIX算法进行改进，通过考虑死亡智能体先前的贡献，来保留死亡智能体的状态价值。全面考虑死后智能体的状态价值在全局时空上的影响，引入注意力机制。通过对状态价值函数进行动态加权，使得死后智能体的状态价值函数能够自适应环境的变化，从而提升了合作对战的效果。
-
Patent Agency Ranking
公开(公告)号：CN115546046A
公开(公告)日：2022-12-30
申请号：CN202211046988.6
申请日：2022-08-30
Applicant: 华南农业大学
Abstract: 本发明涉及一种融合频率和内容特征的单幅图像去雾方法，包括：首先将输入图像进行批归一化处理，然后输入到包含频率流和内容流的双流网络；频率流使用倍频卷积提取图像高低频特征，并加入了基于Transformer的高低频双重自注意力机制；内容流为残差嵌套结构提取图像内容特征，并加入了残差通道注意力机制；针对去雾过程中算法导致的图像结构信息和细节高频信息被抹除问题，提出使用倍频卷积准确的提取频率特征，并与内容特征有效结合最终得到去雾图像。本发明针对单幅有雾图像进行去雾都能得到更高质量的去雾图像。本发明结合了倍频卷积、残差通道注意力机制和双重自注意力机制，可更好提高网络去雾性能。
-
公开(公告)号：CN111681176A
公开(公告)日：2020-09-18
申请号：CN202010408566.3
申请日：2020-05-14
Applicant: 华南农业大学
Abstract: 本发明提供一种自适应卷积的残差修正单幅图像去雨方法，该方法加入雨线修正系数(Refine factor)，改进现有雨图模型，更精确描述雨图中各个像素受到雨线的影响。构建自适应选择卷积网络(SKNet)，自适应的选择不同卷积核对应维度的信息，进一步学习，融合不同卷积核的信息，提高网络的表达力。最后构建自适应卷积的残差修正网络(SKRF)网络，直接学习雨线图和残差修正系数(RF)，减少映射区间，减少背景误判。该方法能够取得比现有方法更高的精确度。图片结果在客观指标和生成图片的雨线去除效果上均取得改善。本发明能够自适应地选择不同尺寸卷积核对应通道的特征信息；更加精确地表达到每个像素点受到雨影响。
-
公开(公告)号：CN111680571A
公开(公告)日：2020-09-18
申请号：CN202010409361.7
申请日：2020-05-14
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于LDA降维的多特征融合的植物叶片识别方法。该方法构造顶点在轮廓线上的三角形和叶片形状区域相交所得到的轮廓角度和部分轮廓线到弦的平均投影距离，描述轮廓线的曲率和弯曲程度；提取叶片图像的区域度量参数描述区域特征；共用叶片图像的局部二值模式和灰度共生矩阵抓取纹理特征。通过调整轮廓线上的三角形的大小，形成一种多尺度的扩充三角形特征，很好地兼顾了描述叶片整体布局和局部细节，符合人眼辨识物体的这种多尺度的特性，最后把三种特征采用LDA降维算法，融合为LGRT特征描述子。能够很好地描述叶片图像灰度特征、叶片图像区域特征和叶片的轮廓曲率特征这三类特征。
-
公开(公告)号：CN107833240B
公开(公告)日：2020-04-17
申请号：CN201711097270.9
申请日：2017-11-09
Applicant: 华南农业大学
Abstract: 本发明公开了一种多跟踪线索引导的目标运动轨迹提取和分析方法，包括下述步骤：首先，利用已知的跟踪算法提出多跟踪线索引导的运动轨迹，根据跟踪结果绘制跟踪目标的运动轨迹。然后，收集目标跟踪结果的轨迹数据，观察二维坐标轴中产生折线的变化和产生变化时对应帧发生偏差的情况，并与理想目标框所产生的跟踪轨迹进行对比分析得到跟踪断点。最后，在unity3d编程框架中，根据跟踪结果文本数据绘制视频跟踪结果，并可视化跟踪偏移，当偏移发生时可与matlab建立连接使用串口通信，重新调用跟踪算法实现跟踪矫正。本发明展示了如何根据轨迹变化确定跟踪断点，以及如何在跟踪断点处实现跟踪矫正，保证目标跟踪的鲁棒性和准确性。
-
公开(公告)号：CN107133935A
公开(公告)日：2017-09-05
申请号：CN201710377210.6
申请日：2017-05-25
Applicant: 华南农业大学
CPC classification number: G06T5/001 , G06N3/08 , G06T7/40 , G06T2207/20024 , G06T2207/20081
Abstract: 本发明公开了一种基于深度卷积神经网络的单图像精细去雨方法，首先通过初始去雨网络对输入的雨图进行背景纹理结构的提取、非线性映射和雨线区域复原，最终得到初步清晰的无雨图像，然后将初步清晰无雨图像和原始图像同时输入到具有单个卷积层的精细去雨网络，从而恢复背景区域的更多细节，最终得到高清晰去雨图像，本方法通过采用caffe框架，对初始去雨网络和精细去雨网络进行训练，以准确得到每个卷积层的参数，并且对有雨图像进行精细去雨处理，与传统卷积神经网络去雨方法相比，能得到更高质量的无雨图像，并且本方法实用性强，可广泛使用多个场景。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.028 seconds)
